PushToTalk

PushToTalk 是一款面向 Windows 平台的高性能桌面语音输入工具，它基于国产大模型（豆包/千问）提供的实时自动语音识别（ASR）能力，实现了低延迟、高准确率的语音转文字功能，并进一步集成了大语言模型（LLM），支持在转写后进行智能润色、摘要或指令执行。用户只需按住 Ctrl + Win（或自定义快捷键）说话，松开后系统会自动将识别结果粘贴到当前光标所在的文本框，实现“按键即写”的流畅体验。

• PushToTalk开源项目官网网址：https://github.com/yyyzl/push-2-talk
• PushToTalk官方下载地址：https://github.com/yyyzl/push-2-talk/releases

该项目提供两种主要工作模式：

• 听写模式——传统的语音转文字，适用于会议纪要、文档撰写等场景；
• LLM 模式——在转写基础上调用大语言模型进行内容优化或生成，提升写作效率。

核心特性

一、双模式工作

1.听写模式 – 传统的语音转文字功能

• 按住模式：按住快捷键录音，松开停止（传统方式）
• 松手模式：按一次 F2 开始录音，再按一次结束（防止误停）

2. AI 助手模式 – 语音控制文本处理

• 无选中文本：Q&A 模式，提问获得答案
• 选中文本：语音命令处理文本（翻译、润色、总结、扩写等）

二、核心功能

1. 实时流式转录 – WebSocket 边录边传，极低延迟（< 500ms），松手即出字
2. LLM 智能后处理 – 内置”文本润色”、”邮件整理”、”中译英”等预设，支持自定义 Prompt
3. 自定义快捷键 – 支持 73 种按键绑定（修饰键、字母、数字、功能键、方向键等）
4. 多 ASR 引擎 – 支持阿里云 Qwen、豆包 Doubao、SiliconFlow SenseVoice
5. 智能兜底 – 主引擎失败时自动切换到备用引擎，并行竞速
6. 可视化反馈 – 录音状态悬浮窗，实时波形显示，三种视觉状态
7. 音频反馈 – 录音开始/结束的清脆提示音，盲操也放心
8. 历史记录 – 自动保存转录历史，支持搜索、复制、清空
9. 系统托盘 – 支持最小化到托盘、开机自启动
10. 自动更新 – 内置 6 个镜像源，自动检查并安装更新
11. 多配置管理 – 支持保存多套 LLM 预设，通过界面快速切换不同场景

PushToTalk 采用纯本地运行的设计，数据不上传云端，兼顾隐私安全；同时提供开箱即用的二进制发布和源码编译指南，方便开发者二次开发或自行部署。项目在开源社区获得了积极反馈，用户可通过 GitHub 提交 Issue 或 Pull Request 参与改进。

PushToTalk 将语音识别、语言模型与快捷键交互深度融合，为 Windows 用户提供了一站式的语音输入解决方案。